Deep Learning

Durch Deep Learning sind Maschinen in der Lage, selbstständig neue Fähigkeiten zu erlernen, ohne dafür einen Menschen zu benötigen. Dieses Lernen basiert auf der Fähigkeit der Modelle, Muster aus großen Mengen an Daten zu extrahieren.

Grundsätzlich ist ein Deep Learning Modell in verschiedenen Schichten ("layers") aufgebaut. Am Anfang und am Ende stehen die Eingabe- und die Ausgabeschicht, dazwischen befindet sich eine variable Anzahl von Zwischenschichten. Diese sind zwischen der Eingabe- und der Ausgabeschicht verborgen, liegen also quasi in der Tiefe ("deep"). Klassische neuronale Netzwerke in der Informatik haben nur 2 bis 3 Schichten, tiefe Netzwerke können dagegen bis zu 150 Schichten beinhalten.

Da das Lernen mithilfe von mathematischen Algorithmen geschieht, müssen die Daten, wie z.B. Bilder oder Texte, passend mathematisch kodiert werden, um vom neuronalen Netz verarbeitet zu werden.

Die vom Modell extrahierten Muster bzw. Erkenntnisse können dann mit anderen Daten korreliert werden. Die Maschine kann dann basierend auf den erkannten Mustern und der Einbindung in verschiedene Kontexte datenbasierte Einschätzungen geben.

Die Trainingsprozesse von tiefen neuronalen Netzwerken erfordern große Mengen an Daten und Rechenleistung.

Soll ein Modell eine weiße Ziffer zwischen 0 und 9 auf schwarzem Grund erkennen, kann jedem Pixel des Bildes in Abhängigkeit der Graustufe ein Zahlenwert zwischen 0 und 1 zugeordnet werden. Der Wert für die Pixel wird dann in je einem "Neuron" gespeichert. Jedes Neuron (es gibt gleich viele Neuronen wie Pixel) der Eingabeschicht ist mit jedem Neuron der nächsttieferen Schicht verbunden. Den Verbindungen zwischen den Neuronen zweier Schichten werden vom Computer verschiedene Gewichtungen ("weights") zugeordnet. Aus der Kombination der Neuronenwerte der ersten Schicht und den jeweiligen Gewichtungen ergibt sich ein Wert für jedes Neuron der zweiten Schicht. So werden Schicht für Schicht die Muster aus dem Eingangsbild charakterisiert. Die Ausgabeschicht hätte in diesem Beispiel 10 Neurone, eins für jede Ziffer zwischen 0 und 9. In diesem Fall könnte die Antwort des Modells z.B. dem Neuron aus der Ausgabeschicht entsprechen, das den höchsten Wert zugewiesen bekommt.

Im Anschluss wird bewertet, ob das Modell zur richtigen Einschätzung gekommen ist, oder nicht. Durch häufiges Wiederholen dieses Prozesses lernt das Modell stetig dazu.

Deep Learning spielt eine zunehmend wichtige Rolle in der Bioinformatik. Es wird z.B. verwendet, um Muster in genomischen Sequenzen zu erkennen oder bei der Analyse von Proteindaten die Struktur und Funktion von Proteinen vorherzusagen. Deep Learning kann dazu beitragen, Muster in Transkriptomdaten zu identifizieren, was Einblicke in die Genexpression und Regulation ermöglicht.

In der pharmakologischen Forschung können mithilfe von Deep Learning potenzielle Wirkstoffe für bestimmte Krankheiten identifiziert oder mögliche Wechselwirkungen zwischen Molekülen vorhergesagt werden.

In der Mikroskopie und Bildgebung werden Deep Learning-Algorithmen für die automatische Segmentierung, Klassifizierung und Analyse von Zellen und Geweben verwendet.

• Angermueller et al., Deep learning for computational biology, Mol Syst Biol, 2016
• Weissenberg-group.de – Was ist Deep Learning?, abgerufen am 16.02.2024